最近两年离开媒体之后，我参与的创业项目多多少少最终都归结到汽车大数据、机器学习和人工智能的应用技术，这使得我不得不去主动学习这些前沿技术。最近对汽车智能CRM的关注其实只是人工智能在汽车行业的应用场景之一，能够利用人工智能相关技术的场景远远不止是汽车CRM这么一种。

在4月2日的深圳IT领袖峰会上，马化腾指出：没有场景支持的AI研究是空中楼阁。李彦宏说：人工智能不是互联网的一部分，它是颠覆性的。微软全球执行副总裁沈向洋更是给出大胆结论：每一个商业应用都会被人工智能颠覆掉。

我比较认同这几个IT工程师出身行业领袖的判断，我认为汽车行业的未来变革也必然受人工智能应用深度的显著影响，每一个汽车行业从业者都不应漠视人工智能。目前看，还没有必要担心科幻电影里的邪恶AI机器人毁灭人类，但每个职业人都应该对自己工作的人工智能可替代性问题进行思考——那些仅仅需要赋能的工作最终都会被AI取代，但至少目前看，需要赋灵的那些工作是AI暂时无法取代的。

仅就汽车行业而言，我认为已经能够广泛应用人工智能的场景有这么五个，按照技术成熟型，我认为这五大应用场景依次应该是：

第一：市场营销

我最近撰写了多篇文章提到智能CRM的问题，目前的大数据技术已经能够辅助车企精准投放广告，针对广告回收的销售线索进行分类分级，然后再针对这些线索采用人工智能客服进行数据清洗和销售活动招徕。随着网销平台的完善，从广告投放再到订单形成的市场营销流程将视线闭环。以往靠人工进行的消费者需求研究、广告创意、广告投放、数据清洗、销售线索转化、到店销售服务、交车和售后跟踪，每一个环节，都能够基于数据和过往成功经验，建立AI辅助决策系统。

对车企而言，借助这套辅助决策系统，一方面能够把市场营销和销售统一起来，大大提高市场营销费用的使用效率，另一方面能够降低对低层次市场营销人员的专业性要求，通过提高专业人才的效率，降低整体成本。汽车市场营销的AI应用场景最为丰富，不仅销售新车需要，二手车、售后服务的销售，同样需要这项技术。可以说，每一个正在指望从互联网获得用户、粉丝和流量的汽车相关产业都能够通过建立自己专属的人工智能市场营销引擎而获得超越竞争对手的优势，最终不适用AI的企业将被迫退出市场。

第二：金融保险风控

事实上，汽车金融和保险领域的大数据、机器学习和人工智能应用已经在呈现燎原之势。在汽车金融和汽车保险领域，车信数据等创新公司已经完成机器学习算法模型的生产环境下的应用。比如在汽车金融领域，传统的金融公司热衷于通过增加个人征信源的方式降低贷前信审的风险，但行业里使用已有的低风险和高风险数据对目前市场上主流征信源的测试表明，使用这些数据源在识别高风险和低风险用户方面并没有差异，也就是说，使用这些数据源征信和不使用的结果是一样的。传统的金融评分卡并不足以解决汽车金融风险的问题。采用大数据和机器学习技术，不仅引入现有主流征信源，更需要引入更多非主流数据源，采用过往的汽车金融信贷风险数据训练出的个性化模型，才有能力真正降低汽车金融的信贷风险。

目前看，汽车金融的这个应用场景下的技术已经比较成熟。同样，车险的各个环节也已经具备使用大数据和机器学习技术来解决风险问题。无论是车险承保定价、销售匹配还是理赔风控，都能够从AI技术中受益，关于这些我后续会专门撰文解读。可以说，汽车行业AI技术最具潜力的应用就是金融保险，遗憾的是目前车企、保险公司真正懂AI技术的并不多，各种伪创新在热闹的创业PR中正在让产业迷失方向，显然，市场教育仍需要时日，我会在今后的文章中向读者朋友介绍这个领域的最新创新实践。

第三：生产及流通效率管理

毫无疑问，当前基于柔性制造的汽车无人工厂是AI的典型应用，但汽车生产线还只能算是封闭环境下的自动化生产线，真正应用AI的前提是整个成产制造产业链的协同。这个协同首先体现在零部件物流的人工智能化。目前国内绝大多数车企仍然采用的是伪JIT技术，也就是说，目前国内车企的零库存并不是真的靠信息技术，而是靠甲方话语权强迫零部件制造企业增加组装厂的就近库存，满足整车企业的零库存虚荣心。但这种伪JIT导致的结果就是零部件企业成本增加，整个产业链的成本并没有真正降低。如果要应用AI技术，首先得做到真正的JIT，整车企业的销量可预测性要借助AI，然后才能实现生产的可预测性，然后才能在配件订货环节实现AI自动化……真正实现了JIT，目前车企的生产成本已经能够显著降低。而成产车间的自动化技术其实早就已经成熟，是不可控的外部环境导致这些生产自动化无法实现。

事实上，不仅汽车的生产制造领域可以广泛应用AI技术，即使是售后服务，同样能够利用AI技术提高效率。比如售后维修车间管理方面，目前过分分散的单个维修车间远远无法发挥规模效应，但一旦维修车间的工位超过一定数量，依靠人脑进行车间调度已经无法实现生产效率的最优化。同样，售后配件的仓储物流也是如此，成千上万的配件要在各个仓储物流中心流转，靠先进先出等基础的决策原则也无法实现效率最优，建立在AI基础上的算法模型才能真正实现效率最优。无论是生产还是流通，这些关键环节的效率提升才是降低成本和提高用户体验的关键——眼下车信、有壹手等少数企业已经在流通环节探索这些技术应用。

第四：自动驾驶及交通管理

我把自动驾驶排在AI技术成熟度的第四，这和行业的关注热度是背离的，因为目前的媒体PR更关注的其实是AI的自动驾驶应用，但无论是技术本身、产品规划还是法规伦理，都远远没有形成自动驾驶能够实际应用的外部环境。我认为5年内，市场上的高端产品会专注于普及高级辅助驾驶技术，中低端车型会普及辅助驾驶技术。自动驾驶必然是建立在辅助驾驶被广泛使用之后。而且政府也需要用一定时间完成道路交通管理的人工智能化改造。很难想象AI驾驶的车辆行驶在完全由人决策控制的道路交通系统里。车辆和交通管理系统必然是同步进化的，当年火车、汽车取代马车的过程已经证明了这一点，自动驾驶汽车取代人工驾驶汽车也必将复现这一过程。

我认为，中国的自动驾驶必然建立在北斗＋4G／5G／NBIoT出行基础数据平台基础之上，只有建立统一的出行基础数据平台，自动驾驶车辆和道路交通管理才能基于同一个数据源进行决策。眼下各方如果不能致力于共同构建这个基础数据平台，自动驾驶即使技术可行，但从信息和社会安全的角度考虑，政府也不可能批准——手机被黑不会直接杀人，自动驾驶车辆被黑分分钟可以随意杀人。

第五：研发及新品测试

如果前面四个场景逐步实现AI辅助决策化，我认为最需要人类灵性的汽车研发也能够人工智能化辅助实现。从产品概念提出到模型建立、生产供应商匹配，再到产品试验测试，这些看起来必然需要人类参与的工作，计算器已经在发挥重要作用。随着更多数据的积累，热销车型和设计参数的相关关系将能够被计算机识别。来自市场营销、生产制造流通、金融保险以及自动驾驶交通管理的数据最终将反馈到新产品开发领域。对于人类而言，考虑如此多的因素是不可能的，但计算机完全能够综合考虑成百上千的因素，帮助人类找到产品设计的最优解，这将为汽车产业的人工智能化画上完美句号。

以上五大场景都离不开实业，目前看，腾讯和阿里正在深度参与到几乎每个应用场景里，百度相对滞后，只拥有算法并不能实现AI的技术价值转化。对BAT而言，虽然拥有算法优势，但在上述每一个垂直领域，要形成应用场景的深度理解，BAT也并没有绝对优势，留给专注某一领域的AI创业公司的机会仍然非常多，欢迎有志于汽车大数据、机器学习、人工智能应用的各位小伙伴同行！